Walidacja modelu uczenia maszynowego opartego na MR w przewidywaniu raka prostaty

Jest to przekrojowe, nieinterwencyjne badanie obserwacyjne, które obejmuje analizę danych zebranych zarówno retrospektywnie, jak i prospektywnie.

Pacjenci będą zapisywani przez personel medyczny radiologa wyznaczony przez głównego badacza. Główny badacz i jego delegaci będą odpowiedzialni za pozyskiwanie i pseudoanonimizację obrazów pacjentów zapisanych (zarówno retrospektywnie, jak i prospektywnie) z systemu RIS-PACS szpitala uniwersyteckiego IRCCS w Bolonii, Policlinico di Sant'Orsola. Jeśli jest to możliwe, dla uczestników poddawanych operacji prostaty, O.U. Anatomii Patologicznej przekaże cyfrowe skany makrosekcji prostaty.

W celu walidacji modelu uczenia maszynowego istotnego klinicznie CaP radiologom zostanie udostępnione narzędzie. Narzędzie to zostało opracowane przez Wydział Informatyki - Nauka i Inżynieria, DISI, Uniwersytet w Bolonii i Instytut Badawczy Alma Mater ds. Globalnych Wyzwań i Zmian Klimatu, Alma Climate, Uniwersytet w Bolonii i zintegrowane z przeglądarką Dicom o otwartym kodzie źródłowym, Aliza MS Przeglądarka Dicom. Lekarze będą wówczas mieli możliwość samodzielnego przeprowadzenia segmentacji sekwencji ADC (wcześniej pseudoanonimizowanych) i rozpoczęcia procesu radiomicznego w celu uzyskania wartości predykcyjnej prawdopodobieństwa, że ​​segmentowana zmiana jest istotna klinicznie. Ta wartość prawdopodobieństwa zostanie obliczona przez oprogramowanie na podstawie modelu uczenia maszynowego opracowanego w PROSTATE_01. Narzędzie umożliwia także zbieranie danych (uporządkowane i pseudoanonimowe). Walidacja klinicznie istotnego modelu predykcyjnego CaP zostanie przeprowadzona u wszystkich pacjentów włączonych zarówno retrospektywnie, jak i prospektywnie, z wyjątkiem pacjentów zastosowanych w fazie szkolenia modelowego w badaniu PROSTATE_01. Po ocenie wyników zweryfikowanego modelu i skutków błędu selekcji, po zakończeniu rekrutacji zarówno retrospektywnie, jak i prospektywnie, zostanie przeprowadzone udoskonalenie wcześniej opracowanego modelu. Będzie to „ponowne uczenie” samego modelu, przeprowadzane na zbiorach uczących i testowych wybranych losowo z całej zarejestrowanej populacji, z której zostanie losowo, w drodze różnicy, uzyskany także podzbiór do nowej walidacji.